Главное про AI - Вадим Жартун

Тот самый разрыв «88% используют — 39% видят EBIT», который мы зафиксировали в начале главы, и закрывается через быстрые победы. Каждая такая победа даёт руководству локальное доказательство, что AI окупается в конкретных цифрах.

Deloitte в State of Generative AI Q4 (опрос четвёртого квартала, 2773 респондента уровня директоров и C-level) пишет: 74% респондентов говорят, что их самая продвинутая инициатива в области генеративного AI «соответствует ожиданиям или превосходит их». Зрелые AI-проекты срабатывают чаще, чем проваливаются, — но только когда они доходят до зрелости. Быстрые победы и есть механизм, которым компания до зрелости доходит: они дают внутренние «истории успеха», из которых финансовый директор соглашается финансировать следующий шаг.

БЫСТРЫЕ ПОБЕДЫ С ОКУПАЕМОСТЬЮ ЗА МЕСЯЦ

Заголовок обещает пять побед — вот они в формате, который можно скопировать в план квартала.

1: AI-сводка почты. Включается в один клик в стандартных тарифах Gmail, Outlook или Яндекс Почты. Экономит 30 минут в день на сортировке входящих. Сотрудники видят выигрыш в первую неделю — и именно первая неделя формирует отношение к AI в команде.

2: AI-помощник во встречах. Granola, Otter, Microsoft Copilot или отечественные аналоги (например, Тинькофф AI, Yandex SpeechKit) записывают встречу, расшифровывают, делают саммари. Сотрудник, который раньше тратил 30 минут на протокол, теперь тратит 2 минуты на его проверку.

3: AI-помощник в написании. Claude, ChatGPT, Microsoft Copilot или GigaChat делают черновик письма, структуру документа, перевод, саммари длинного материала. Снимают «чистый лист» — автора не заменяют.

4: AI-классификация входящих запросов. Тикетов (заявок в системе поддержки), писем, заявок — сортирует 80%+ входящих автоматически. Запускается через платформы автоматизации без программирования: Zapier, Make (бывший Integromat) или Albato, n8n в российской среде.

5: AI-поиск по внутренней базе. RAG-бот (Retrieval-Augmented Generation — поиск по вашей базе знаний с генерацией ответа) подключается к Notion, Confluence, Google Drive или корпоративному wiki и отвечает на вопросы вида «где у нас политика по X». В России ту же роль играют поиск по корпоративному порталу на 1С-Битрикс или по базе в Яндекс Wiki.

ПЕРЕХОД БЫСТРОЙ ПОБЕДЫ В ДОЛГОСРОЧНЫЙ ЭФФЕКТ

Пять признаков того, что быстрая победа привилась, а не осталась разовым экспериментом.

1: Сотрудники сами просят больше. После первой недели приходят «а можно ещё AI для X» — это сигнал, что быстрая победа стала привычкой.

2: Метрика улучшилась и стабильна. NPS, время обработки заявки, процент ошибок, конверсия воронки — любая метрика, которая двигалась на пилоте и не падает обратно. Устойчива два месяца подряд — значит, это уже не «новизна», а процесс.

3: Появились «внутренние евангелисты». В команде 2–3 человека, которые обучают коллег и берут на себя роль «носителей метода». Без них эффект затухает, когда энтузиасты уезжают в отпуск.

4: Процесс задокументирован. «Как мы используем AI в этом процессе» записано в одном месте — wiki, инструкция, видео, — и новый сотрудник подхватывает практику за неделю. Без документации каждая ротация в команде обнуляет эффект.

5: Появились «гибридные» сценарии. Сотрудники сами нашли 2–3 новых использования AI, не запланированных изначально. Это признак, что AI-мышление привилось: люди видят процесс и сразу думают, какие его части можно отдать модели.

Когда такие «гибридные» сценарии множатся, следующий шаг команды — перестать отдавать модели отдельные задачи и перейти к цепочкам задач. Здесь начинается тема AI-агентов.

ЭТАПЫ СОЗДАНИЯ AI-АГЕНТА

McKinsey в State of AI 2025 фиксирует: 23% организаций масштабируют agentic AI (агентный AI — модели, которые не просто отвечают на запросы, а сами выбирают и выполняют цепочку действий: «запросить у системы X», «открыть файл Y», «отправить письмо Z») хотя бы в одной бизнес-функции, ещё 39% экспериментируют. Ни в одной отдельной функции доля масштабирующих не превышает 10%. Агентный AI находится в той же точке, где в 2023-м были чат-боты: масса экспериментов, мало внедрения. Процесс создания агента нужен именно затем, чтобы перевести эксперимент в масштабируемое решение. Без процесса каждый агент — ручная работа, и компания упирается в потолок «сколько рук хватит».

LangChain — популярный фреймворк с открытым исходным кодом для разработки AI-агентов — в документации по жизненному циклу агента формулирует центральную мысль: разница между одноразовыми демо агентов и повторяемой практикой — наличие жизненного цикла разработки. McKinsey в Superagency 2025 подчёркивает то же, что мы уже видели в разделе про TCO: компании-лидеры не «накладывают AI поверх», а переделывают процессы с нуля. Самый сильный вклад в создание ценности — переделка рабочего процесса, а не выбор модели. Самые успешные AI-инициативы начинаются с процесса, не с модели.

ШАГИ ПРОЦЕССА СОЗДАНИЯ АГЕНТА

Этап 1. Процесс и метрики. Описываем процесс, который отдаём агенту, считаем метрики, согласовываем владельца. На выходе: описание процесса, 2–3 KPI, именной владелец. Типовая ловушка — пропустить этап и сразу перейти к выбору модели: в продакшне выясняется, что решали не ту задачу.

Этап 2. Границы возможностей. Решаем, что агент делает сам, что не делает, куда обращается за человеком. На выходе: контракт «внутри / снаружи» с зоной автоматизации, зоной human-in-the-loop (шагов, где человек обязательно подтверждает решение агента), жёстким запретом и контуром данных. Если границы слишком широкие, один из десяти случаев даёт дорогой промах, и весь проект получает ярлык «опасный».

Этап 3. Мультимодельность. Выбираем модели по задачам, потому что одна универсальная модель для всего — это переплата в 5–10 раз. Минимальная раскладка:

Если гоните весь трафик через одну топовую модель, платите в 5–10 раз больше, чем нужно.

Этап 4. Память и контекст. Проектируем, что агент помнит между сессиями и в рамках одной задачи. Уровни памяти:

– Системный промпт (роль, правила, ограничения) — загружается на каждый запрос.

– Краткосрочная память — текущий диалог.

– Долгосрочная память — профиль пользователя, история взаимодействий.

– Внешние знания — документы, к которым агент обращается через RAG.

– Код и инструменты — то, что агент вызывает сам через function calling (механизм, при котором модель не просто генерирует текст, а возвращает структурированный вызов внешней функции: «открой файл», «запроси данные у CRM», «отправь письмо»).

Anthropic (компания-разработчик модели Claude) в материале про Agent Skills формулирует принцип progressive disclosure (постепенной загрузки): на старте агент видит только метаданные доступных навыков (скиллов), полное тело скилла подгружается, когда агент понимает его релевантность задаче, дополнительные файлы — по запросу. Контекст фактически безграничен, если правильно его структурировать. Если загрузить в